Schadstoffe wie Bisphenol A (ein hormonähnliches Additiv in vielen Alltagsprodukten wie Plastik oder Kassenbons), oder Ciprofloxacin (ein Antibiotikum) können sich an unterschiedliche Materialen, wie etwa Aktivkohle, kohlehaltige Nanopartikel oder Pflanzenkohle, anheften und werden dadurch gebunden. Wie stark unterschiedliche Schadstoffe dabei gebunden werden, ist oft schwer vorherzusagen, aber ein wesentlicher Parameter für die Beurteilung der Effizienz.
Ionisierte Schadstoffe sind komplexer
Rund die Hälfte der in Europa regulierten organischen Schadstoffe sind mittlerweile sogenannte ionisierbare Verbindungen. Das heißt, sie sind negativ und/oder positiv geladen. Das macht ihr Verhalten in der Umwelt wesentlich komplexer als das herkömmlicher Schadstoffe, die entweder neutral geladen sind oder sich vermehrt an Fett anbinden. „Die neue Schadstoffklasse aus ionisierbaren Verbindungen ist wesentlich mobiler und oft schwieriger zu binden/entschärfen. Mit unserem Computermodell können wir erstmals vorhersagen, wie sich diese ionisierbaren Schadstoffe in der Umwelt verhalten“, so Gabriel Sigmund vom Zentrum für Mikrobiologie und Umweltsystemwissenschaften.
Computermodell kann Verhalten von Schadstoffbindungen vorhersagen
Das Forschungsteam um Thilo Hofmann und Gabriel Sigmund hat dazu experimentelle Daten aus über 200 internationalen Publikationen gesammelt, harmonisiert und in eine Datenbank gebracht. Diese Datenbank ist die Grundlage für ein Künstliche-Intelligenz-Computermodell, das auf einem neuronalen Netzwerk basiert. „Das entwickelte Modell kann die Schadstoffbindung in Abhängigkeit von Schadstoffeigenschaften und Materialeigenschaften sehr gut vorhersagen. Dadurch können wir gut vorhersagen, wie sich die Bindungsstärke in Abhängigkeit der Schadstoffkonzentration ändert. Beides sind wichtige Parameter, um effiziente Reinigungssysteme zu designen. Es kann helfen, geeignete Materialien für die Schadstoffbindung auszuwählen“, so Thilo Hofmann.
Um das Modell möglichst zugänglich zu machen, stellt das Forschungsteam zusätzlich zu den veröffentlichten wissenschaftlichen Erkenntnissen eine kostenlose Software zur Verfügung. Bei der Entwicklung des Modells und der Software wurde darauf geachtet, dass ausschließlich Material- und Schadstoffeigenschaften verwendet werden, die einfach zugänglich sind.
Schematische Visualisierung des Computermodells. User*innen müssen lediglich die Eigenschaften der Schadstoffe und Bindungsmaterialien eingeben und bekommen als Ergebnis die Vorhersage, wie effizient die Schadstoffe gebunden werden (© Julia Petschinka).
Publikation in Environmental Science & Technology:
A deep learning neural network approach for predicting the sorption of ionizable and polar organic pollutants to a wide range of carbonaceous materials, G. Sigmund, M. Gharasoo, T. Hüffer, T. Hofmann.
DOI: 10.1021/acs.est.9b06287
